CN102982547B - 自动初始化的局域活动轮廓模型心脑血管分割方法 - Google Patents
自动初始化的局域活动轮廓模型心脑血管分割方法 Download PDFInfo
- Publication number
- CN102982547B CN102982547B CN201210500362.8A CN201210500362A CN102982547B CN 102982547 B CN102982547 B CN 102982547B CN 201210500362 A CN201210500362 A CN 201210500362A CN 102982547 B CN102982547 B CN 102982547B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- sigma
- vessel
- phi
- centerdot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 title abstract description 15
- 230000002490 cerebral effect Effects 0.000 title abstract 2
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 82
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002792 vascular Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 208000026106 cerebrovascular disease Diseases 0.000 description 5
- 230000004807 localization Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种自动初始化的局域活动轮廓模型心脑血管分割方法,包括下列步骤:根据医学影像数据中血管的管状特征对三维血管进行各向异性滤波得到初始轮廓线;构造局域能量函数;通过梯度下降法最小化局域能量函数,获得对应的梯度下降流;然后,依据医学影像数据中的血管形状度量构造血管矢量场;最后联合梯度下降流和血管矢量场,得到血管演化方程。本发明根据血管形状自动设置初始轮廓线;分割精确,效率高,鲁棒性强。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种利用局域活动轮廓模型和血管矢量场进行血管分割的方法,主要用于医学教学和计算法辅助诊疗等领域。
背景技术
当前,心脑血管疾病已成为人类健康的“第一杀手”。全世界每年死于心脑血管疾病的人数高达1500万人,中国心脑血管疾病患者已超过2.7亿,每年死于心脑血管疾病近300万人,占总死亡数量的51%。而幸存下来的患者75%不同程度丧失劳动能力,40%重残。
心脑血管疾病主要是由血管狭窄、动脉瘤和动静脉畸形引起。获取血管的三维形态信息对于该类疾病的辅助诊疗具有重要作用,如组织的定量分析、计算机辅助诊断、病灶定位、解剖结构研究及计算机引导手术等。为此,通常需要对医学影像数据集进行分割,以获得精确的血管组织信息。心脑血管相比其它血管,有其自身特点,如拓扑结构的复杂性,灰度的动态变化性及部分血管结构的细小微弱性等,这些都增加了心脑血管分割的难度。基于血管造影图像的心脑血管分割已成为国际上计算机科学、信息学、生物医学工程等相关领域的研究热点。
近年来,基于几何活动轮廓模型在图像分析中获得了广泛的应用,由于同一类的目标形状上具有一定的相似性,通过在一定条件下控制变形得到另一个目标形状,从而进行分类、形似度比较等分析。如果把形变面放入图像中,由图像的各种特征,如灰度、形状、梯度等,控制目标的形变,使之形状向图像中的目标变化,从而提取出图像的特定目标。Farag等人提出了基于水平集方法的血管树三维分割方法,实现了从MRA数据集中抽取3D脑血管,该方法属于有监督的分类方法,需要事先知道分类的类数及每类的概率分布。通常,不同器官、不同数据的概率分布模型建立比较困难。Gao等人提出一种全自动的TOF-MRA图像脑血管分割方法。首先构造有限混合模型,估计多个分量的分布参数,然后在原始数据空间中对脑血管进行粗分割;接下来,借助统计信息通过对能量函数中的速度项和区域项进行修改,从而实现脑血管的精细分割。但上述算法都没有结合血管自身的几何特征。Hernandez和Frangi提出了非参数测地线活动区域模型的脑动脉分割方法。在图像的高阶特征空间中,应用K-N近邻非参数估计方法对血管几何特征的联合分布进行估计,然后将分布信息嵌入能量函数中,为了对参数进行估计,K-N近邻法需要一定数量的样本进行学习。针对血管组织灰度分布不均的问题,尤其是细小血管,难以准确分割。当前方法在轮廓线演化过程中,通常图像域中所有像素参与运算,运算量大。此外,传统的基于几何活动轮廓模型的血管分割方法容易陷入局部极小值,对初始轮廓线的设置要求较为严格。
我们首先将几何活动轮廓模型局域化,然后借助构造的血管矢量场对血管进行精确分割。该方法的特点在于:对血管造影体数集进行血管滤波增强,获得血管的大致轮廓,以此作为初始轮廓线,在血管矢量场的辅助下,通过局域能量的最小化实现血管的精确分割;无需手工设置轮廓线,自动化程度高;分割精确,效率高,鲁棒性强。
发明内容
本发明的目的就是克服现有技术中的不足,提供一种自动设置初始轮廓线的,高效、精确、鲁棒性强的局域活动轮廓模型心脑血管分割方法。
为实现上述目的,本发明的技术方案是利用血管的形状特征设置初始轮廓线,局域化几何活动轮廓模型,借助血管矢量场实现血管组织的精确分割。
一种自动初始化的局域活动轮廓模型心脑血管分割方法,包括下列步骤:
(1)血管形状滤波及初始轮廓线设置:根据医学影像数据中血管的管状特征,借助Hessian矩阵,获取血管中心线方向和横切面方向,对三维血管进行各向异性滤波;通过阈值法和边缘检测算子提取血管轮廓作为初始轮廓线;
(2)构造局域能量函数:定义活动轮廓线Γ:{x|φ(x)=0}上各点的小邻域Ok;通过局域加权函数对活动轮廓线的点进行加权拟合,同时结合加权因子构造局域能量函数:
其中,x为活动轮廓线Γ:{x|φ(x)=0}上一点,以点x为中心定义一小邻域Ok,δ(φ(x))为函数H(x)的一阶导数,H(x)用于指定小邻域Ok与活动轮廓线相交的内部区域;
(3)获得梯度下降流:通过梯度下降法最小化局域能量函数,获得对应的梯度下降流
(4)构造血管矢量场:依据医学影像数据中的血管形状度量构造血管矢量场: 其中: ασ为尺度权重,
所述血管矢量场的方向平行于血管方向,大小是和血管相关的函数;
(5)得到血管演化方程:联合步骤(3)的梯度下降流和步骤(4)构造的血管矢量场,得到血管演化方程: 其中表示梯度下降流,f(R(x))是一表示血管矢量场大小的、关于R(x)的函数。
优选地,步骤(1)中所述的各向异性滤波是基于血管形状特征的。
优选地,所述步骤(2)的具体步骤为:
①设表示图像域,I:Ω→R表示给定的图像,x为活动轮廓线上一点,以点x为中心定义一小邻域Ok,活动轮廓线Γ与小邻域Ok相交的内部区域均值μin(x)由内部区域点的灰度I(y)及与x距离的加权获得,该加权值由引入的高斯核函数Kσ(x,y)得到;外部区域均值μout(x)也通过高斯核函数Kσ(x,y)的方法得到:
H(x)用于指定Ok与Γ相交的内部区域,φ(y)是I(y)对应的水平集函数;
②将点x∈Γ的能量函数定义为由小邻域内的所有点的灰度值与μin(x)和μout(x)的差通过加权平均得到:
进而得到局部能量函数。
优选地,所述步骤(4)的具体步骤为:
a.通过对医学影像获得的3D灰度图像的Hessian矩阵HI的特征分析得到局部血管的方向和管状结构度量R:Hessian矩阵HI为:
λ1、λ2和λ3是HI的特征值,设|λ1|≤|λ2|≤|λ3|,定义:和三个相应的特征向量相互垂直形成局部笛卡尔坐标,表示灰度变化量最小的方向为血管方向,和形成垂直于血管的纵切面,血管矢量场为在血管区域的特征向量的集合:
τ为一设定阈值0.05,R(x)为管状结构度量,用于滤掉非血管区域的向量,
式(7)中,A=|λ2|/|λ3|, c是一个小的常数0.7;对于每一像素点,存在两个相反的血管方向,即和为了驱使活动轮廓演化到血管内部,矢量场应该和活动轮廓线的法向量方向一致,于是有为此,血管矢量场定义为:
b.管状结构度量取加权的所有尺度下最大的度量:
在多尺度框架下计算血管矢量场:
本发明基于血管形状的局域活动轮廓模型心脑血管分割方法,将血管造影图像进行各向异性滤波,在有效增强血管的对比度的同时也保留了血管边缘细节,进而得到血管的大致轮廓作为初始轮廓线,采用局域化Chan-Vese活动轮廓模型,结合加权因子函数,仅由轮廓线上的点构造局域能量函数,通过对能量函数最小化,得到其梯度下降流;定义血管矢量场,引导活动轮廓线沿着血管方向演化。本方法自动设置初始轮廓线;分割精确,效率高,鲁棒性强。
附图说明
图1为本发明所述基于血管形状的局域活动轮廓模型心脑血管分割方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细的说明,下面通过附图将本发明基于血管形状的局域活动轮廓模型心脑血管分割方法进行详尽的描述。
由于医学影像数据的血管与周围组织的灰度对比度较小,高斯滤波等传统方法难以将血管有效增强,本发明结合心脑血管的形状特征有针对性地增强对比度;能量函数的构造仅通过活动轮廓线及周围小邻域的点实现,提高演化效率;依据血管中心线位置和活动轮廓线的方向定义血管矢量场,辅助活动轮廓线沿着血管方向演化。本发明所述基于血管形状的局域活动轮廓模型心脑血管分割方法的总体流程如图1所示,具体包括以下步骤:
步骤S1011:血管滤波增强及初始轮廓线设置:
借助体数据场的Hessian矩阵,从心脑血管的医学影像数据中获取血管中心线方向和横切面方向,在不同方向对三维血管进行各项异性滤波,在保留血管边缘细节的同时,又能有效增强血管的对比度;然后,通过阈值法和边缘检测算子得到大致的血管轮廓作为活动轮廓模型的初始轮廓线。所述心脑血管的医学影像数据为现有技术中常见的医学图像,例如序列CTA或MRA断层切片。
步骤S1012:构造局域能量函数:
Chan和Vese提出Chan-Vese模型是基于图像全局统计信息的,尽管能够达到全局最优,但难以分割灰度分布不均匀的血管图像。为此,本发明对Chan-Vese模型局域化,仅考虑活动轮廓线周围的点。在步骤S1011得到的初始轮廓线的保证下,能精确演化至血管的真实边缘。活动轮廓线从初始轮廓线开始,在能量函数能量最小化的过程中,不断进行演化,当能量极小时,演化结束,此时的轮廓线对应的就是血管的边缘。其步骤为:
①设表示图像域,I:Ω→R表示给定的图像,选取活动轮廓线Γ:{x|φ(x)=0}上一点x,以点x为中心定义一小邻域Ok。活动轮廓线Γ与Ok相交的内部区域均值μin(x)由内部区域点的灰度I(y)及与x距离的加权获得,该加权值由引入的高斯核函数Kσ(x,y)得到;外部区域均值μout(x)也通过高斯核函数Kσ(x,y)的方法得到:
H(x)用于指定Ok与Γ相交的内部区域,φ(y)是I(y)对应的水平集函数;
②对于活动轮廓线Γ上的一点x∈Γ,将该点x∈Γ的能量函数定义为由小邻域Ok内所有点的灰度值与μin(x)和μout(x)的差通过加权平均得到;不仅考虑了小邻域内点I(y)的灰度,而且考虑距离点x的距离Kσ(x,y),即:
进而得到活动轮廓线Γ上所有点的局部能量函数:
式(4)中,δ(φ(x))为函数H(x)的一阶导数;
步骤S1013:获得梯度下降流:
借助梯度下降法,最小化活动轮廓线Γ上所有点的局部能量函数,即最小化式(4)所述的能量函数,获得对应的梯度下降流
步骤S102:构造血管矢量场:
为了对细小血管精确分割,构造一血管矢量场,驱使活动轮廓线在血管内部以较高的速度沿着血管方向运动。矢量场的方向平行于血管方向,大小是和血管相关的函数。分别通过如下步骤实现:
a.通过对医学影像获得的3D灰度图像的Hessian矩阵HI的特征分析得到局部血管的方向和管状结构度量R。Hessian矩阵HI为:
λ1、λ2和λ3是HI的特征值,设|λ1|≤|λ2|≤|λ3|,和是相应的特征向量,和三个特征向量相互垂直形成局部笛卡尔坐标。对于血管结构,表示灰度变化量最小的方向,也就是血管方向;和形成垂直于血管的纵切面。血管矢量场就是在血管区域的特征向量的集合,即:
R(x)为管状结构度量,用于滤掉非血管区域的向量;τ为一设定阈值,取τ=0.05。本发明采用Manniesing提出的管状结构度量:
式(7)中,A=|λ2|/|λ3|, c是一个小的常数,取c=0.7。
b.由于管状结构是一个与尺度相关的概念,不同直径的管状结构,只有在特定的尺度下表现出管状的特征,因此,需要在多尺度框架下计算血管矢量场,最终的管状结构度量取加权的所有尺度下最大的度量。即,血管矢量场为:
其中: ασ为尺度权重,ασ=1.6。
对于每个像素,存在两个相反的血管方向,即和为了驱使活动轮廓演化到血管内部,矢量场应该和活动轮廓线的法向量方向一致,于是有最终血管矢量场定义为:
步骤S103:构造血管演化方程:
根据步骤S1013获得的梯度下降流和步骤S102构建的血管矢量场,得到血管演化方程:
其中,f(R(x))是一表示血管矢量场大小的、关于R(x)的函数。
总之,本发明的实施例公布的是其较佳的实施方式,但并不限于此。本领域的普通技术人员极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围之内。
Claims (3)
1.一种自动初始化的局域活动轮廓模型心脑血管分割方法,其特征在于,包括下列步骤:
(1)血管形状滤波及初始轮廓线设置:根据医学影像数据中血管的管状特征,借助Hessian矩阵,获取血管中心线方向和横切面方向,对三维血管进行各向异性滤波;通过阈值法和边缘检测算子提取血管轮廓作为初始轮廓线;
(2)构造局域能量函数:定义活动轮廓线Γ:{x|φ(x)=0}上各点的小邻域Ok;通过局域加权函数对活动轮廓线的点进行加权拟合,同时结合加权因子构造局域能量函数:
其中,x为活动轮廓线Γ:{x|φ(x)=0}上一点,Ok以点x为中心,δ(φ(x))为函数H(x)的一阶导数,H(x)用于指定小邻域Ok与活动轮廓线Γ相交的内部区域;I(y)为内部区域中y点处的图像灰度,φ(y)是I(y)对应的水平集函数;fin(x)为活动轮廓线Γ与小邻域Ok相交的内部区域均值,可借助高斯核函数Kσ(x,y)得到内部区域均值fin(x),fout(x)为活动轮廓线Γ与小邻域Ok相交的外部区域均值;
(3)获得梯度下降流:通过梯度下降法最小化局域能量函数,获得对应的梯度下降流其中LRF表示局域拟合(localregionfitting,LRF),g表示梯度(gradient);
(4)构造血管矢量场:依据医学影像数据中的血管形状度量构造血管矢量场
其中:表示管状结构度量;
σ表示多尺度下的尺度因子;Rσ(x)表示在σ时的管状结构度量;σmin和σmax分别表示设定的最小尺度和最大尺度;ασ为尺度权重;
所述矢量场的方向平行于血管方向,大小是和血管相关的函数;
(5)得到血管演化方程:联合步骤(3)的梯度下降流和步骤(4)构造的血管矢量场,得到血管演化方程:其中表示梯度下降流,f(R(x))是一表示血管矢量场大小的、关于R(x)的函数。
2.根据权利要求1所述的心脑血管分割方法,其特征在于,所述步骤(2)的具体步骤为:
①设表示图像域,I:Ω→R表示给定的图像,x为活动轮廓线上一点,以点x为中心定义一小邻域Ok,活动轮廓线Γ与小邻域Ok相交的内部区域均值fin(x)同内部区域中点的灰度I(y)及与x距离有关,可借助高斯核函数Kσ(x,y)得到内部区域均值fin(x);外部区域均值fout(x)也通过高斯核函数Kσ(x,y)的方法得到:
H(x)用于指定Ok与Γ相交的内部区域,φ(y)是I(y)对应的水平集函数;
②将点x∈Γ的能量函数定义为(Γ,fin(x),fout(x)),由小邻域内的所有点的灰度值与fin(x)和fout(x)的差通过加权平均得到:
进而得到局域能量函数。
3.根据权利要求1所述的心脑血管分割方法,其特征在于,所述步骤(4)的具体步骤为:
a.通过对医学影像获得的3D灰度图像的Hessian矩阵HI的特征分析得到局部血管的方向和管状结构度量R(x):Hessian矩阵HI为:
λ1、λ2和λ3是HI的特征值,设|λ1|≤|λ2|≤|λ3|,定义:和三个相应的特征向量相互垂直形成局部笛卡尔坐标,表示灰度变化量最小的方向,即血管方向,和形成垂直于血管的纵切面,血管矢量场为在血管区域的特征向量的集合:
R(x)为管状结构度量,用于滤掉非血管区域的向量;τ为一设定阈值,τ=0.05,
式(7)中,A=|λ2|/|λ3|,c是一个小的常数0.7;对于每一像素点,存在两个相反的血管方向,即和所述矢量场和活动轮廓线的法向量方向一致,即故最终血管矢量场定义为:
b.管状结构度量取加权的所有尺度下最大的度量:
在多尺度框架下计算血管矢量场:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210500362.8A CN102982547B (zh) | 2012-11-29 | 2012-11-29 | 自动初始化的局域活动轮廓模型心脑血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210500362.8A CN102982547B (zh) | 2012-11-29 | 2012-11-29 | 自动初始化的局域活动轮廓模型心脑血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982547A CN102982547A (zh) | 2013-03-20 |
CN102982547B true CN102982547B (zh) | 2016-07-27 |
Family
ID=47856488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210500362.8A Active CN102982547B (zh) | 2012-11-29 | 2012-11-29 | 自动初始化的局域活动轮廓模型心脑血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982547B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679719A (zh) * | 2013-12-06 | 2014-03-26 | 河海大学 | 一种图像分割方法 |
JP6716197B2 (ja) * | 2014-02-28 | 2020-07-01 | キヤノンメディカルシステムズ株式会社 | 画像処理装置およびx線診断装置 |
CN105160660B (zh) * | 2015-08-17 | 2017-12-01 | 中国科学院苏州生物医学工程技术研究所 | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 |
WO2018068195A1 (zh) * | 2016-10-11 | 2018-04-19 | 深圳先进技术研究院 | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 |
CN108537817B (zh) * | 2017-03-02 | 2021-06-22 | 哈尔滨工业大学 | 基于多尺度球状增强滤波器和水平集算法的运动估计方法 |
CN107977666B (zh) * | 2017-12-08 | 2020-04-21 | 深圳先进技术研究院 | 目标轮廓提取方法、装置、设备及存储介质 |
CN109509202B (zh) * | 2018-09-21 | 2021-01-26 | 浙江大学 | 一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 |
CN109448042B (zh) * | 2018-10-17 | 2021-07-23 | 北京师范大学 | 一种利用积分曲线计算血管壁厚度的方法 |
CN112381758B (zh) * | 2020-10-09 | 2024-01-30 | 北京师范大学 | 一种计算血管树相似度的方法 |
CN112330708B (zh) * | 2020-11-24 | 2024-04-23 | 沈阳东软智能医疗科技研究院有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN112651933B (zh) * | 2020-12-21 | 2022-09-30 | 山东省人工智能研究院 | 基于测地线距离图和程函方程的血管分割方法 |
CN116051457A (zh) * | 2022-09-09 | 2023-05-02 | 天津远景科技服务有限公司 | 血管造影图像的处理方法、装置、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964118A (zh) * | 2010-09-30 | 2011-02-02 | 华北电力大学(保定) | 一种血管内超声图像序列的三维分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8721640B2 (en) * | 2006-10-06 | 2014-05-13 | Covidien Lp | Endoscopic vessel sealer and divider having a flexible articulating shaft |
-
2012
- 2012-11-29 CN CN201210500362.8A patent/CN102982547B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964118A (zh) * | 2010-09-30 | 2011-02-02 | 华北电力大学(保定) | 一种血管内超声图像序列的三维分割方法 |
Non-Patent Citations (2)
Title |
---|
Cerebrovascular egmentation based on region growing and level set algorithm;Xie Li Zhi等;《Audio, Language and Image Processing (ICALIP), 2012 International Conference on》;20120718;854-859 * |
心脑血管三维分割研究进展;田沄等;《计算机辅助设计与图形学学报》;20120731;第24卷(第7期);839-851 * |
Also Published As
Publication number | Publication date |
---|---|
CN102982547A (zh) | 2013-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102982547B (zh) | 自动初始化的局域活动轮廓模型心脑血管分割方法 | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
Ghafoorian et al. | Deep multi-scale location-aware 3D convolutional neural networks for automated detection of lacunes of presumed vascular origin | |
Rajinikanth et al. | An approach to examine magnetic resonance angiography based on Tsallis entropy and deformable snake model | |
Chen et al. | Segmenting the prostate and rectum in CT imagery using anatomical constraints | |
Wen et al. | A novel statistical cerebrovascular segmentation algorithm with particle swarm optimization | |
CN110415234A (zh) | 基于多参数磁共振成像的脑部肿瘤分割方法 | |
Park et al. | Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features | |
Xu et al. | Convolutional-neural-network-based approach for segmentation of apical four-chamber view from fetal echocardiography | |
CN104766340B (zh) | 一种图像分割方法 | |
Li et al. | Automatic segmentation of levator hiatus from ultrasound images using U-net with dense connections | |
Zhu et al. | A deep learning health data analysis approach: automatic 3D prostate MR segmentation with densely-connected volumetric ConvNets | |
CN110473206B (zh) | 一种基于超体素与测度学习的弥散张量图像分割方法 | |
CN103700083A (zh) | 基于自适应模糊神经网络模型ct灌注图像智能融合方法 | |
Xia et al. | A nested parallel multiscale convolution for cerebrovascular segmentation | |
Xiao et al. | Cerebrovascular segmentation of TOF-MRA based on seed point detection and multiple-feature fusion | |
Zhang | Feature selection based segmentation of multi-source images: application to brain tumor segmentation in multi-sequence MRI | |
Liu et al. | Spatiotemporal strategies for joint segmentation and motion tracking from cardiac image sequences | |
CN114119626A (zh) | 一种基于统计学模型和多尺度滤波的脑血管图像分割方法 | |
Tuyisenge et al. | Estimation of myocardial strain and contraction phase from cine MRI using variational data assimilation | |
Wong et al. | Impact of advanced parallel or cloud computing technologies for image guided diagnosis and therapy | |
Zihni et al. | An analysis of the interpretability of neural networks trained on magnetic resonance imaging for stroke outcome prediction | |
Wang et al. | Automatic diagnosis of disc herniation based on DenseNet fusion model | |
Jia et al. | Multi-parametric MRIs based assessment of hepatocellular carcinoma differentiation with multi-scale ResNet | |
Moftah et al. | Volume identification and estimation of MRI brain tumor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |